# Как ИИ и большие данные меняют работу команд

Источник: https://www.youtube.com/watch?v=Wy45BdDVrMs
Канал: Stanford Online
Опубликовано: 08.07.2024

---

## Будущее совместной работы: как технологии меняют наши офисы и науку 🚀
[[JUMP:00:09]]

Современный мир труда переживает фундаментальную трансформацию под влиянием цифровых инструментов и искусственного интеллекта. Исследователь из Stanford University представил на семинаре обзор своей докторской работы, посвященной тому, как аналитика данных и генеративный ИИ могут сделать нашу работу продуктивнее, а рабочие команды — устойчивее. В центре внимания — поиск ответов на вопрос, приближают ли нас текущие технологии к «идеальному рабочему месту» или же лишь усложняют процесс коммуникации.

## 🏢 Многозадачность в эпоху удаленной работы
[[JUMP:08:09]]

Одной из центральных тем исследования стал системный анализ многозадачности во время виртуальных встреч, особенно актуальный после пандемии. Изучив миллионы действий сотрудников Microsoft в Teams, Outlook и SharePoint, ученые попытались понять, когда, как и почему люди переключаются между делами.

**Ключевые выводы об онлайн-встречах:**

*   **Масштаб явления:** В период с февраля по май около 30% совещаний сопровождались проверкой почты, а 25% — работой с файлами.
*   **Факторы риска:** Вероятность многозадачности значительно выше в длительных (более 80 минут) и больших (более 10 участников) собраниях. 
*   **Утренний эффект:** Люди чаще отвлекаются в утренние часы; по мнению участников, это связано с желанием «разобраться с накопившимся» перед началом активного дня.
*   **Проблема повторяющихся встреч:** В таких собраниях многозадачность встречается в 1,59 раза чаще, так как участники зачастую вынуждены присутствовать там, где их вовлеченность минимальна.

По словам автора, хотя традиционная литература часто критикует многозадачность за потерю внимания и усталость, участники опросов отмечали и «положительную» сторону: для многих это способ повысить общую продуктивность в условиях плотного графика. На основе этих данных были предложены рекомендации для бизнеса: вводить обязательные перерывы, сокращать число ненужных собраний и поощрять активное участие, а не пассивное присутствие.

## 🤝 Предиктивная аналитика командной жизнеспособности
[[JUMP:19:41]]

Второй блок работы был посвящен вопросам «командной жизнеспособности» — способности группы сохранять продуктивность и желание сотрудничать в будущем. Исследователи стремились понять, можно ли предсказать успех или распад команды на ранних этапах.

**Методы и результаты:**

*   **Эксперимент:** Анализ переписки более 660 команд на платформе Amazon Mechanical Turk.
*   **Точность прогноза:** Алгоритмы, использующие только данные чатов, смогли классифицировать топ-10% самых жизнеспособных команд с точностью AUC 0,93.
*   **Раннее предупреждение:** Удивительно, но модель способна с высокой точностью (95% от максимума) предсказать будущее команды уже после 70 секунд первичного общения.

Интересно, что алгоритмически выведенные признаки (количество сообщений, очередность ответов) работали лучше, чем оценки, сделанные людьми-экспертами. Исследователь полагает, что в будущем подобные инструменты смогут давать «подсказки» руководителям, помогая корректировать работу команд до того, как они потеряют мотивацию.

## 🤖 Революция в научном рецензировании
[[JUMP:31:34]]

Завершающая часть исследования сфокусирована на использовании больших языковых моделей (LLM) для предоставления научной обратной связи. Проблема перегрузки рецензентов в таких сферах, как ИИ (например, рост числа заявок на конференцию ICLR с нескольких сотен до 6000+ за десятилетие), делает этот вопрос критически важным.

**Основные открытия:**

*   **Сходство с человеком:** Анализ показал, что GPT-4 дает рекомендации, которые перекрываются с мнением реальных рецензентов примерно на 30% — это сопоставимо с уровнем согласия между двумя людьми-рецензентами.
*   **Качество обратной связи:** ИИ оказался особенно полезен для «слабых» или отклоненных работ, где необходимость в качественных комментариях наиболее высока.
*   **Восприятие исследователями:** Более 80% опрошенных участников исследования посчитали ИИ-рецензирование полезным, а 70% отметили совпадение ключевых замечаний машины с их собственными ожиданиями.

Автор подчеркивает, что ИИ не должен заменять экспертов, но может стать незаменимым «черновиком» для авторов, особенно для молодых ученых или исследователей из регионов с ограниченными ресурсами, которым трудно получить качественную обратную связь в разумные сроки.